【KDD2024】CAFO：基于特征的时间序列分类解释

在多变量时间序列（MTS）分类中，发现对模型性能重要的特征（如传感器）至关重要，但由于MTS数据复杂且高维的性质、复杂的时间动态以及对领域特定解释的需求，这一过程极具挑战性。目前针对MTS的解释方法大多侧重于时间中心的解释，适合定位重要的时间段，但在识别关键特征方面效果较差。这一局限性凸显了特征中心方法的迫切需要，这是一种重要但常被忽视的视角，能够补充时间中心分析。为了弥补这一差距，我们的研究引入了一种新的MTS特征中心解释和评估框架，名为CAFO（通道注意力与特征正交化）。CAFO采用基于卷积的方法与通道注意力机制，包含深度可分离通道注意力模块（DepCA）和基于QR分解的损失以促进特征间的正交化。我们证明了这种正交化增强了注意力分布的可分离性，从而精炼和稳定了特征重要性的排名。这种特征排名的改进提高了我们对MTS中特征可解释性的理解。此外，我们开发了评估全局和类别特定特征重要性的指标。通过在两个主要公共基准和实际数据集（包括合成和自收集的数据集）上的广泛实证分析，验证了我们的框架在评估MTS分类任务中特征重要性方面的稳健性和信息性。结果证实了CAFO在评估MTS分类任务中特征重要性方面的稳健性和信息性。本研究不仅推进了MTS中特征中心解释的理解，还为未来的特征中心解释探索奠定了基础。代码可在https://github.com/eai-lab/CAFO获取。